Unsupervised Machine Learning for Osteoporosis Diagnosis Using Singh Index Clustering on Hip Radiographs

"고관절 방사선 촬영을 사용한 싱크 지수 클러스터링을 통한 골다공증 진단을 위한 비지도 기계 학습"에 대한 상세 기술 요약입니다.

1. 문제 제기

골다공증은 골량 감소와 골절 위험 증가를 특징으로 하는 글로벌 건강 위기입니다. 현재 진단의 금표준은 골밀도 (BMD) 를 측정하는 이중 에너지 X 선 흡수계측법 (DXA) 입니다. 그러나 DXA 는 비용이 많이 들고, 보편적으로 이용 가능하지 않으며 (특히 농촌/개발도상 지역), 기기 간 변이에 취약합니다.

대안적인 비용 효율적 방법은 평면 고관절 방사선 촬영에서 보이는 해면골 패턴을 기반으로 한 준정량적 등급 시스템 (16 등급) 인 **싱크 지수 (SI)**입니다. 13 등급은 골다공증을, 4~6 등급은 정상 골 구조를 나타냅니다.

• 과제: 수동 SI 등급 매기는 시간이 많이 소요되며, 전문 방사선사의 필요와 주관성을 요구합니다.
• 격차: 딥러닝 (DL) 이 DXA 이미지에 적용되어 왔으나, 레이블이 없는 평면 고관절 X 선 이미지를 사용하여 SI 등급을 자동화하는 연구는 부족합니다. 대부분의 기존 머신러닝 모델은 대규모 레이블 데이터셋을 필요로 하는데, 이 특정 작업에서는 이를 얻기 어렵습니다.

2. 방법론

본 연구는 수동 주석이 없는 레이블 없는 고관절 X 선 이미지를 6 가지 SI 등급으로 클러스터링하기 위해 비지도 기계 학습 접근법을 사용합니다.

A. 데이터셋

• 출처: SRM 의과대학 병원으로부터 수집된 20~70 세 인도 성인 838 명의 고관절 X 선 이미지.
• 특징: 데이터셋은 레이블이 없습니다. 정상 골 이미지 (46 등급) 가 골다공증 이미지 (13 등급) 보다 훨씬 많은 심각한 클래스 불균형을 보입니다.
• 전처리: 이미지들은 대퇴골 근위부 영역에 초점을 맞추도록 자르고, 균일한 크기로 조정되었으며 NumPy 배열로 변환되었습니다.

B. 특징 추출

저자들은 특징 추출을 위해 여러 접근법을 평가했습니다:

1. 전이 학습: ImageNet 에서 훈련된 사전 훈련 모델 (DenseNet-201, InceptionV3, EfficientNetB0) 을 초기에 테스트했습니다.
2. 커스텀 CNN: 최종적으로 더 우수한 성능을 보인 커스텀 합성곱 신경망 아키텍처가 개발되어 선정되었습니다.
   • 아키텍처: 2D 최대 풀링을 따르는 4 개의 합성곱 레이어 (64, 64, 128, 128 필터).
   • 활성화: ReLU 와 0.5 드롭아웃.
   • 밀집 레이어: 특징을 평탄화하고 압축하기 위한 두 개의 완전 연결 레이어 (64 및 16 노드).

C. 클러스터링 알고리즘

추출된 특징은 2 개에서 6 개 (SI 등급에 해당) 의 클러스터로 이미지를 그룹화하기 위해 다양한 비지도 클러스터링 알고리즘에 입력되었습니다. 테스트된 알고리즘은 다음과 같습니다:

• K-Means
• Mini-Batch K-Means
• Spectral Clustering
• Agglomerative Clustering (Ward 및 Average 링크)
• Birch Clustering
• Gaussian Mixture Models (Tied, Diag, Full 공분산)

D. 평가 지표

**실루엣 점수 (Silhouette Score)**가 클러스터 품질을 평가하는 주요 지표로 사용되었습니다. 더 높은 점수 (1 에 가까움) 는 더 잘 정의되고 명확한 클러스터를 나타냅니다. 목표는 알고리즘이 이미지를 6 가지 명확한 SI 등급으로 자연스럽게 분리할 수 있는지 확인하는 것이었습니다.

3. 주요 기여

1. 비지도 학습의 새로운 적용: 고가의 수동 주석을 우회하여 레이블이 없는 고관절 방사선 촬영을 사용하여 6 등급 싱크 지수 분류를 자동화하려는 최초의 연구 중 하나입니다.
2. 커스텀 아키텍처 개발: 저자들은 더 높은 실루엣 점수로 입증된 바와 같이, 클러스터링에 적합한 특징을 생성하는 데 있어 확립된 전이 학습 모델 (InceptionV3, DenseNet) 보다 우수한 성능을 보이는 커스텀 CNN 을 개발했습니다.
3. 클러스터링 비교 분석: 의료 영상 데이터에 대한 9 가지 다른 클러스터링 알고리즘에 대한 포괄적인 벤치마킹을 통해, 일부 알고리즘은 이진 분리 (정상 대 골다공증) 에 잘 작동하지만 정교한 6 클래스 분리에는 어려움을 겪는다는 사실을 밝혔습니다.
4. 데이터 한계 식별: 연구는 의료 진단에서 비지도 클러스터링 성능에 데이터 불균형과 이미지 품질이 미치는 결정적인 영향을 강조합니다.

4. 결과 및 논의

• 클러스터 성능:
  • 2 클러스터 분리: 대부분의 알고리즘이 이미지를 두 가지 범주 (아마도 "정상" 대 "골다공증" 분리) 로 그룹화할 때 매우 잘 수행되었습니다.
    • Agglomerative Average: 0.9360 실루엣 점수.
    • Birch: 0.9234.
    • Mini-Batch K-Means: 0.8691.
  • 6 클러스터 분리 (목표 SI 등급): 클러스터 수가 6 개로 증가함에 따라 성능이 크게 저하되었습니다.
    • Agglomerative Average: 0.8565.
    • K-Means: 0.6560.
    • Mini-Batch K-Means: 0.3877 (부족한 성능).
• 주요 발견:
  • 단일 알고리즘이 모든 6 가지 SI 등급으로 고충실도 분리를 성공적으로 달성하지는 못했습니다.
  • Agglomerative (Average) 및 Birch 알고리즘이 더 많은 클러스터 수에 대해 가장 유망한 결과를 보였습니다.
  • 불균형 문제: 데이터셋에는 골다공증 이미지보다 "건강한" (4 등급 이상) 이미지가 훨씬 더 많이 포함되어 있어 클러스터링 중심을 왜곡시켰습니다.
  • 이미지 품질: X 선 강도와 대비의 변이가 CNN 이 일관된 해면골 패턴을 추출하는 능력을 방해했습니다.

5. 중요성 및 향후 방향

• 임상적 영향: 이 연구는 널리 이용 가능한 평면 X 선과 ML 을 결합하여 골다공증 선별을 사용할 수 있음을 입증하여, 자원 제한 환경에서 비용이 많이 드는 DXA 스캔에 대한 의존성을 잠재적으로 줄일 수 있음을 보여줍니다.
• 한계: 현재 비지도 모델은 데이터 불균형과 기준 레이블 (ground truth labels) 부재로 인해 아직 모든 6 가지 SI 등급을 신뢰할 수 있게 구분하지 못합니다.
• 향후 작업 권장 사항:
  • 데이터 증강: 클러스터링을 안내하기 위해 각 SI 등급에 대한 참조 이미지 (중심) 를 통합합니다.
  • 준지도 학습: 비지도 과정을 안내하기 위해 소량의 전문가 레이블 데이터를 활용합니다.
  • 다중 모달 입력: 예측 정확도를 높이기 위해 이미지 데이터와 환자 메타데이터 (나이, 성별, 임상 병력) 를 통합합니다.
  • 이미지 전처리: 특징 추출 전에 해면골 가시성을 향상시키기 위한 고급 필터링.

결론적으로, 이 연구는 완벽한 6 등급 분류를 달성하지는 못했지만, 비지도 학습이 평면 방사선 촬영을 사용하여 일반적인 골다공증 위험과 정상 골밀도를 효과적으로 분리할 수 있음을 성공적으로 검증하여, 더 발전된 준지도 진단 도구의 기초를 제공했습니다.